李群和李代数

意义：

旋转矩阵自身是带有约束的(正交且行列式为1)。它们作为优化变量时，会引入额外的约束，使优化变得困难。通过李群—李代数间的转换关系，我们希望把位姿估计变成无约束的优化问题，简化求解方式。

李代数的定义和相互转换关系

由于是三维向量，我们可以定义它的模长和方向，分别记作θ和a,于是有=θa。这里a是一个长度为1的方向向量，即|al||=1。

        这表明，so(3)实际上就是由所谓的旋转向量组成的空间，而指数映射即罗德里格斯公式。通过它们，我们把so(3)中任意一个向量对应到了一个位于SO(3)中的旋转矩阵。反之，如果定义对数映射，也能把SO(3)中的元素对应到so(3)中。

        指数映射有何性质呢?是否对于任意的R都能找到一个唯一的φ?很遗憾，指数映射只是一个满射，并不是单射。这意味着每个SO(3)中的元素，都可以找到一个so(3)元素与之对应；但是可能存在多个so(3)中的元素，对应到同一个SO(3)。至少对于旋转角θ,我们知道多转360°和没有转是一样的——它具有周期性。但是，如果我们把旋转角度固定在士π之间，那么李群和李代数元素是一一对应的。

李代数求导和扰动模型

使用李代数解决求导问题的思路分为两种：
1.用李代数表示姿态，然后根据李代数加法对李代数求导。
2.对李群左乘或右乘微小扰动，然后对该扰动求导，称为左扰动和右扰动模型。

李代数求导：

考虑SO(3)上的情况。假设我们对一个空间点p进行了旋转，得到了Rp。现在，要计算旋转之后点的坐标相对于旋转的导数，推导出

不过，由于这里仍然含有形式比较复杂的J，我们不太希望计算它。而下面要讲的扰动模型则提供了更简单的导数计算方式

扰动模型（左乘）:

另一种求导方式是对R进行一次扰动△R,看结果相对于扰动的变化率。这个扰动可以乘在左边也可以乘在右边，最后结果会有一点儿微小的差异，我们以左扰动为例。设左扰动△R对应的李代数为φ。然后，对φ求导，即

内容参考：slam十四讲第二版